在Python中以最快的方式确定每个组在数组中复制值的索引

我想找到每组重复值的索引，如下所示：

s = [2,6,2,88,6,...]

结果必须返回原始s的索引：

[[0,2]，[1,4]，…]

，或者结果可以以另一种方式显示

我找到了许多解决方案，因此我找到了获得重复组的最快方法：

s = np.sort(a, axis=None)
s[:-1][s[1:] == s[:-1]]

但是在排序之后，我从

原始s

中得到了错误的索引

---

在我的例子中，列表中有大约200 mil的值，我想找到最快的方法。我使用数组来存储值，因为我想使用GPU使其更快。

使用像

dict

这样的散列结构会有所帮助

例如：

将numpy导入为np
从集合导入defaultdict
a=np.数组（[2,4,2,88,15,4]）
table=defaultdict（列表）
对于ind，枚举中的num（a）：
表[num]+=[ind]

产出：

{2: [0, 2], 4: [1, 5], 88: [3], 15: [4]}

2 : [0, 2]
4 : [1, 5]

如果要按从小到大的顺序显示重复的图元，请执行以下操作：

排序（table.items（））中的k、v的

：
如果len（v）>1：
打印（k，“：”，v）

产出：

{2: [0, 2], 4: [1, 5], 88: [3], 15: [4]}

2 : [0, 2]
4 : [1, 5]

---

速度由数字列表中的多少个不同值决定。

查看这是否满足您的性能要求（此处，

s

是您的输入数组）：

注意事项：

结果将是一个数组列表

每个数组都将包含

s

中重复值的索引。例如，如果值

13

在

s

中重复

7次
，则
result
的数组中会有一个索引为
7的数组

如果要忽略

s

的单例值（在

s

中只出现一次的值），可以将

minlength=2

传递到

np.bincount（）

（这是我另一个答案的一个变体。在这里，我们不是拆分已排序的大型数组，而是从中提取片段，因此它可能具有不同的性能特征）

如果

s

是输入数组：

counts       = np.bincount(s)
cum_counts   = np.add.accumulate(counts)
sorted_inds  = np.argsort(s)

result       = np.split(sorted_inds, cum_counts[:-1])

counts       = np.bincount(s)
cum_counts   = np.add.accumulate(counts)
sorted_inds  = np.argsort(s)

result = [sorted_inds[:cum_counts[0]]] + [sorted_inds[cum_counts[i]:cum_counts[i+1]] for i in range(cum_counts.size-1)]

---

您好@fountainhead，我有一个错误

无法为具有形状（4688145146881523，）和数据类型int64的数组分配33.3 PiB。我的python版本是3.7.8和64位。我试图纠正这个错误，但做不到。“你有什么想法吗？”ToanNguyenPhuoc——这看起来像是一个记忆障碍。发生在哪一行？
argsort（）
？在第
np.bincount（s）
行中输入数组的大小是多少？输入数组的大小是2000万Hi@Autumnii，我在约20mil数据下测试了您的解决方案，需要34秒。看起来不错，谢谢。